нейронная сеть и входы
Вы действительно правы, в том что тип сети не так уж и важен, Главное это входы, ну и конечно выход. Достаточно найти качественные входы для сети и она сделает чюдо, НО как их найти????? Простая нормализация этому не поможет.....
Ваш вопрос как подсказка или это общественная проблематика? :)
1. если занимать первую позицию, то главное найти нужный набор индикаторов.
2. если занимать вторую позицию, то здесь два основных компонента: 1. нормализация данных. 2. предоставление данных истории с применением фильтра (убираем ненужную информацию. важный момент и насколько я понимаю здесь часто делают ошибки).
Относительно второго добавлю. Вообще я хотел подавать на входы фильтрованные тики (обычным ренко), т.к. на график временного интервала я смотрю скептически. Но разделять цены на зоны фильтрации(например на 5). Чем ближе к настоящей цене, тем меньше период ренко, чем дальше - чем выше. Т.е. чем дальше данные от настоящего тем меньше они влияют на теперешнее состояние, потому мы усиливаем фильтрацию.
Но от тиков отказался, сложно создать систему поступление актуальных данных цены и соединить с историей тиков, решил поиграться с временным интервалами, хотя основная философия не изменилась.
Позволю себе вмешаться, дабы не плодить темы. Кто как нормализует входные сигналы? И какими сигналами на выходе удобней оперировать? Набаловался я примитивными персаптронами, построил сеть, нормализовал сигналы на всех слоях, а вот с выходом загвоздка, да и по мелочи много неясностей.
Странные Вы вопросы задаете) Есть две основные задачи обычно решаемые НС в нашей прикладной области: классификация и регрессия. Исходя из этого строится сеть, выбирается ее тип и архитектура, и соответственно интерпретируется ее выход. То ли на выходе будет принадлежность входного набора к какому-либо классу, то ли значение завтрашней цены (условно). Что Ваша сеть делает? Чему Вы ее учите?
С нормализацией входов все просто, хоть могут быть ньюнсы в зависимости от входа и его характеристик (вход НС может быть и составной например). Для "однородного" входного набора самый простой и обычно достаточный вариант линейное преобразование в заданный диапазон [a;b] . Так же в зависимости от характеристик входного набора возможны дополнительные преобразования с целью улучшения различимости например...
Почитайте статейки, я кое-что подчерпнул в них в свое время (все имеются в нейрошколе и выкладывать тут смысла нет):
Представление исходных данных в задачах нейросетевого прогнозирования Крисилов В.А., Чумичкин К.В., Кондратюк А.В
Преобразование входных данных нейросети с целью улучшения их различимости. Крисилов В.А., Кондратюк А.В
Ускорение обучения нейронных сетей за счет адаптивного упрощения обучающей выборки. Крисилов В.А., Чумичкин К.В.
Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. Тарасенко Р.А., Крисилов В.А.
Выбор размера описания ситуации при формировании обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. Тарасенко Р.А., Крисилов В.А
Повышение качества и скорости обучения нейронных сетей в задаче прогнозирования поведения временных рядов. Олешко Д.Н., Крисилов В.А
Странные Вы вопросы задаете) Есть две основные задачи обычно решаемые НС в нашей прикладной области: классификация и регрессия. Исходя из этого строится сеть, выбирается ее тип и архитектура, и соответственно интерпретируется ее выход. То ли на выходе будет принадлежность входного набора к какому-либо классу, то ли значение завтрашней цены (условно). Что Ваша сеть делает? Чему Вы ее учите?
С нормализацией входов все просто, хоть могут быть ньюнсы в зависимости от входа и его характеристик (вход НС может быть и составной например). Для "однородного" входного набора самый простой и обычно достаточный вариант линейное преобразование в заданный диапазон [a;b] . Так же в зависимости от характеристик входного набора возможны дополнительные преобразования с целью улучшения различимости например...
Почитайте статейки, я кое-что подчерпнул в них в свое время (все имеются в нейрошколе и выкладывать тут смысла нет):
Представление исходных данных в задачах нейросетевого прогнозирования Крисилов В.А., Чумичкин К.В., Кондратюк А.В
Преобразование входных данных нейросети с целью улучшения их различимости. Крисилов В.А., Кондратюк А.В
Ускорение обучения нейронных сетей за счет адаптивного упрощения обучающей выборки. Крисилов В.А., Чумичкин К.В.
Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. Тарасенко Р.А., Крисилов В.А.
Выбор размера описания ситуации при формировании обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. Тарасенко Р.А., Крисилов В.А
Повышение качества и скорости обучения нейронных сетей в задаче прогнозирования поведения временных рядов. Олешко Д.Н., Крисилов В.А
Сеть скорей прогнозирует, на выходе два значения в диапазоне [-1;1]. Сначала на вход сети подаю 8 значений, затем нормализую к диапазону [-1;1], при этом ноль не сдвигаю. И дальше по весам и слоям нормализую таким же образом. На выходе прогноз двух ближайших фракталов, причем взаимное их положение относительно 0 бара. Количественной привязки нет. То есть если на выходе -1 и 0.5, значит ближайший фрактал в два раза ниже Open[0], чем следующий который выше Open[0]. И по аналогии если значения 0.3 и 1, то оба фрактала выше Open[0]. За подборку спасибо. А вопросы странные на Ваш взгляд. В голове (уме) все ясно и понятно. И схемы, и методы обучения, и тренировки, и интерпретации. А как до описания машине доходит - ступор.
Если сигналы, подаваемые на вход и выход сети, не несут полезной инфы для сети - нормализовать бестолку.
А если эти сигналы несут полезную инфу, то в принципе, чем и как нормализовать не имеет принципиального значения - тут главное не замылить эту содержащуюся инфу )))
Если сигналы, подаваемые на вход и выход сети, не несут полезной инфы для сети - нормализовать бестолку )))
Какие сигналы, подаваемые на вход, по-вашему, несут полезную информацию?:) Если откровенно, мне плевать что будет твориться в скрытом слое, пусть хоть рецепты пирожков народов мира, главное чтобы на выходе была полезная информация, а уж вход я обеспечу информативностью.
Если сигналы, подаваемые на вход и выход сети, не несут полезной инфы для сети - нормализовать бестолку )))
О! Леонид! С Рождеством! Успехов в делах и крепкого здоровья!
Как там поживает проект
http://www.neuroproject.ru/demo.php?
Сам хотел более плотно подойти к нейро-экспам.
Что считаешь актуальным в настоящее время может поделишься идеями по нейро?
Благодарю.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Всем привет. Заинтересовался темой нс, пробежался по двум книгам, в общем что к чему понятно. Нормализуем входы, с выбором вида нс смысла мудрить нет - с большинством задач справляется мсп (ну или рбф)... а вот что с входами? Здесь большинство разделяется на два лагеря, те кто утверждает что индикаторы на входы необходимы (и делают акцент на этом), и людей придерживающихся того что этого совсем не нужно: большинство индикаторов нс может воспроизвести, а значит при необходимости нс сама создаст внутри себя необходимый "индикатор".
Возможно при определённом подборе полезных индикаторов мы уменьшаем область поиска(точнее навязываем ей определённое направление поисков), но все же в идеале, вроде бы, нс должна сама подбирать методы анализа данных для себя. Верно ли мое дилетантское утверждение? Возможно необходимо создание особых условий в нс для этого?